Over de functie
We zoeken ervaren machine-learningonderzoekers met praktische ervaring in het end-to-end trainen en verbeteren van deep-learningmodellen, zowel voor beeld als voor taal. U werkt aan afgebakende, empirische, open-ended ML-onderzoeksproblemen.
Verantwoordelijkheden
- Beeldclassificatiemodellen en generatieve beeldmodellen vanaf nul trainen en open-weight taalmodellen finetunen.
- Het maximale halen uit beperkte budgetten voor data, rekenkracht en modelgrootte.
- Modellen robuust maken — tegen adversariële invoer en adversariële gesprekken.
- Modellen comprimeren om te voldoen aan strikte beperkingen qua grootte en latentie zonder in te boeten aan nauwkeurigheid.
- Trainingsproblemen diagnosticeren en oplossen.
Vereisten
We zoeken kandidaten met sterke expertise op een of meer van de volgende gebieden:
Adversariële robuustheid
Ervaring met:
- Adversariële training van beeldclassificatiemodellen (bijv. PGD-gebaseerde training, TRADES).
- Het evalueren van robuuste nauwkeurigheid onder standaard dreigingsmodellen (bijv. L∞-aanvallen, AutoAttack) en het vermijden van valkuilen rond gradient masking.
- Het beheersen van de afweging tussen robuustheid en nauwkeurigheid en van robuuste overfitting.
Efficiënte computer vision
Ervaring met:
- Het end-to-end trainen van beeldclassificatiemodellen, vooral voor fijnmazige herkenning (veel visueel vergelijkbare klassen, weinig voorbeelden per klasse).
- Modelcompressie: kwantisatie, pruning en knowledge distillation van grote teachers naar kleine students.
- Het inzetten van modellen onder strikte budgetten voor grootte of latentie (on-device, edge of embedded).
Generatieve beeldmodellering
Ervaring met:
- Het vanaf nul trainen van generatieve beeldmodellen: diffusiemodellen, GAN's, VAE's of flow-gebaseerde modellen.
- Itereren aan de hand van samplekwaliteitsmetrieken zoals FID.
- Trucs voor trainingsefficiëntie waarmee snel en met een klein aantal parameters goede generatoren ontstaan.
LLM-post-training en gedragsrobuustheid
Praktische ervaring met een of meer van:
- Supervised fine-tuning en preference optimisation (DPO, RLHF, RLAIF) van open-weight taalmodellen, inclusief het bouwen van uw eigen datasets via synthetische generatie, ruisige of zwakke supervisie en rejection sampling.
- Het vormgeven van conversationeel gedrag over meerdere beurten: weerstand tegen overreding en sycofantie, gekalibreerd vertrouwen en weten wanneer correcties moeten worden geaccepteerd.
- Fine-tuning in alignmentstijl die een specifiek gedrag verandert met behoud van algemene capaciteiten.
Meertalige pre-training
Ervaring met:
- Het vanaf nul trainen van meertalige modellen of modellen voor talen met weinig bronnen.
- Tokenizerontwerp voor verschillende schriften en typologisch uiteenlopende talen.
- Het balanceren van sterk ongelijke data per taal (samplingtemperaturen, cross-lingual transfer) in situaties met beperkte data.
Aanvullende interessegebieden
Ervaring op een van de volgende gebieden is een pluspunt:
- Schaalwetten en onderzoek naar trainingsefficiëntie.
- Curriculumleren en datavolgorde.
- Modelevaluatie: het opzetten van benchmarks, contaminatiecontrole, statistisch onderbouwde vergelijkingen.
- Onzekerheidsschatting en modelkalibratie.
- Dataaugmentatie en synthetische data voor robuustheid.
Algemene kwalificaties
- 3+ jaar ervaring met machine-learningonderzoek (promotieonderzoek telt mee voor deze vereiste).
- Sterke ervaring met PyTorch, JAX, TensorFlow of vergelijkbare ML-frameworks.
- Diploma van een top-100-universiteit, ervaring bij een FAANG- of vergelijkbaar AI-bedrijf, of een gelijkwaardige onderzoeksstaat van dienst via publicaties of impactvolle open-sourcebijdragen.
Waarom bij ons werken
- Werk aan geavanceerd machine-learningonderzoek.
- Werk samen met vooraanstaande AI-onderzoekers aan uitdagende projecten met grote impact.
- Flexibel, projectgebaseerd werk met een concurrerende vergoeding.